计算机科学>计算机视觉与模式识别
标题: 基于区域对齐的双教师知识提取人脸反泄气
摘要: 人脸识别系统因其易受不同表现形式的攻击而备受关注,系统安全性已成为一个日益重要的问题。 尽管许多人脸反欺骗(FAS)方法在数据集内场景中表现良好,但它们的泛化仍然是一个挑战。 为了解决这个问题,一些方法采用域对抗训练(DAT)来提取域内非变异特征。 然而,编码器和域鉴别器之间的竞争会导致网络难以训练和收敛。本文提出了一种域对抗攻击(DAA)方法,通过对输入图像添加扰动来缓解训练不稳定性问题, 这使得它们在域之间无法区分,并支持域对齐。 此外,由于在有限数据和攻击类型上训练的模型不能很好地推广到未知攻击,我们提出了一种用于人脸反欺骗的双重感知和生成知识提取框架,该框架利用预先训练的包含丰富人脸先验的人脸相关模型。 具体来说,我们采用两种不同的面孔相关模型作为教师,将知识传递给目标学生模型。 预训练的教师模型不是来自面部防滑任务,而是分别来自感知任务和生成任务,这隐式地增加了数据。 通过将DAA和双教师知识提取相结合,我们开发了一个用于人脸防滑的带域对齐框架(DTDA)的双教师知识抽取。 通过广泛的消融研究以及在多个协议的公共数据集上与最新方法的比较,我们提出的方法的优势得到了验证。